A Spotify ampliou o uso de desenvolvimento assistido por IA e mais que dobrou as mudanças mensais mescladas, de cerca de 8.100 para 17.000 ano a ano em agosto. Com o aumento do volume de alterações nos sistemas de produção, a empresa ajustou controles de qualidade e confiabilidade para lidar com a nova escala.
A companhia opera quase 3.000 serviços de produção para 777 milhões de usuários ativos mensais e relata desafios em processamento de conteúdo, automação de frota e capacidade de computação. Entre as respostas estão melhorias em monitoramento e testes, salvaguardas de rollout e capacidade de rollback, além da adoção do Honk, um agente de codificação em background que executa o Claude via Agent SDK em pods no Kubernetes.
Pesquisadores apresentaram na conferência KDD o estudo “GEO: Generative Engine Optimization”, voltado a melhorar a visibilidade de conteúdos nas respostas de mecanismos generativos. Nos testes descritos, intervenções específicas aumentaram a presença em até 40%, variando conforme o tema pesquisado.
O movimento é comparado ao SEO, mas com uma diferença: ao perguntar a uma inteligência artificial, muitas vezes o usuário recebe uma resposta pronta em vez de uma lista de opções. O texto destaca ainda como a construção de um “rastro público” — entrevistas, artigos, participações e fontes — pode influenciar o que sistemas como os buscadores associados ao ChatGPT encontram e citam, exigindo que assessorias e relações públicas considerem como esses dados são lidos e organizados.
A Starlink já permite que celulares se conectem diretamente aos satélites por meio da tecnologia Direct to Cell, sem a antena usada no serviço residencial. A proposta evoluiu de mensagens de texto para acesso a dados e chamadas via aplicativos, com operação feita em parceria com operadoras de telefonia que disponibilizam parte das frequências.
No Brasil, Vivo e Starlink participam de um ambiente experimental autorizado pela Anatel, com permissão válida até abril de 2029, mas ainda sem oferta comercial ampla. Enquanto isso, a SpaceX recebeu autorização da FCC para implantar até 15 mil satélites de nova geração, com novas frequências para ampliar cobertura e capacidade, inclusive em ambientes internos, aproximando a tecnologia de serviços móveis mais avançados.
Agentes de IA para codificação conseguem gerar mais código e mais atividades em repositórios, mas o ganho não se converte em mais software entregue. Uma pesquisa com práticas reais de centenas de empresas aponta que o uso desses agentes eleva em média as linhas de código geradas em 30%, os commits em 20% e os pull requests em 23%. Ao mesmo tempo, a revisão humana continua sendo um gargalo importante no fluxo de produção.
O estudo indica que o processo de code review fica mais longo, com pull requests mais propensos a exigir revisões e com mais comentários dos revisores. Mesmo com a maior produção de código, a taxa de resolução de Issues e Epics — recursos acompanhados por ferramentas como Jira — não muda de forma estatisticamente relevante após a adoção de ferramentas de IA. A análise foi feita com dados agregados de Jellyfish, cobrindo 300 milhões de eventos de trabalho e informações de mais de 700 mil colaboradores em mais de 700 empresas, de 2021 até março de 2026.
A reinvenção do time de desenvolvimento ganhou força com a adoção de coding agents e a ideia de que o trabalho pode sair do IDE e passar a ser guiado por specs e tickets. A apresentação cita as “oito etapas de agentic coding” ligadas a Steve Yegge e o avanço de plataformas de orquestração como o Gastown, além do crescimento rápido do uso de agentes no Cursor.
O cenário descrito aponta que, no Cursor, há mais requisições de agentes do que aceites de abas, com agent-driven development virando a maior parte do trabalho. A fala também reforça que, apesar da promessa de velocidade, a equipe precisa ajustar processos para manter segurança e garantir que “pessoas importam” enquanto agentes escrevem testes, fazem deploy e monitoram em produção.
A InfoQ vai realizar duas turmas de certificação online de cinco semanas em outubro de 2026: AI Security & Privacy Engineering, com início em 26 de outubro, e AI-Assisted Engineering, começando em 19 de outubro. O primeiro grupo foca em proteger dados sensíveis e testar controles de segurança em produtos de IA, usando threat modeling e red teaming. Já o segundo prepara verificações para coding agents que alteram um código existente, com criação de contexto, limitação de permissões e testes antes de levar as checagens para o CI.
As turmas incluem capstones em que os participantes avaliam uma arquitetura de produto de IA e explicam riscos, controles e como seriam testados, além de apresentarem um harness para validar mudanças feitas por agentes. A metodologia também prevê comparação de resultados registrados ao longo das cinco semanas com previsões iniciais, com grupos de pares para discutir decisões e a eficácia das checagens no fluxo de engenharia.
A OpenAI lançou o GPT-6.1 Sol, nova versão do modelo de trabalho voltado a tarefas profissionais, apenas uma semana após o lançamento do GPT-6 Sol. A empresa afirma que o GPT-6.1 Sol é uma atualização que chega perto da “inteligência” do GPT-6 Astra em coding com agentes, uso de computador e trabalho profissional, com custo de entrada e saída equivalente a cerca de um quinto do padrão do Astra.
O GPT-6.1 Sol já está disponível via API e para usuários Plus, Pro, Business, Enterprise e Edu no ChatGPT Work e no Codex, mantendo preços de US$ 2 por milhão de tokens de entrada e US$ 10 por milhão de tokens de saída, com entrada cacheada com desconto. A OpenAI também adicionou uma versão Ultrafast no Codex, com geração de tokens até 8x mais rápida, e diz que o modelo reduz erros factuais e melhora o alinhamento, incluindo testes em que agentes baseados no GPT-6.1 Sol não tentaram contornar revisões automáticas de segurança.
Agentes de IA para programação estão sendo apontados como uma forma de reduzir lacunas de conhecimento na arquitetura de software, especialmente quando sistemas dependem de serviços legados com documentação incompleta. A proposta é usar o agente para mapear o design desses serviços, documentar fluxos de dados e escanear o código em busca de falhas, sugerindo correções e, quando necessário, refatorações para melhorar entendimento e manutenção.
O uso também pode ajudar a identificar e corrigir problemas arquiteturais comuns, incluindo questões de design de APIs, violações de padrões e limites em Domain-Driven Design (DDD), além de apoiar a detecção e correção de vulnerabilidades de segurança, útil quando há dependência de pacotes open source. Para evitar perda de controle sobre a qualidade do resultado, o texto destaca que o agente precisa ser guiado por objetivos arquiteturais mensuráveis, como Quality Attribute Requirements (QARs), e que o código gerado deve ser avaliado por testes.
Um desenvolvedor decidiu restringir contribuições com IA em um projeto FOSS que mantém, o LibreWeddingPlanner, e passou a usar ferramentas de IA apenas no trabalho. Mesmo sem usar IA no projeto, ele relata que, no dia a dia profissional, o uso de autocomplete e modelos de geração de código no VS Code evoluiu para um fluxo com agentes de IA, que passaram a criar PRs e até coassinar commits.
Com o tempo, ele diz ter perdido a noção do que era realmente necessário em cada tarefa, além de ter enfrentado dificuldade para revisar mudanças grandes e entender alterações geradas por agentes. A experiência culminou em exaustão com múltiplos contextos e, após meses, ele afirma não ter escrito linhas de código nem feito commits no próprio período, levando à decisão de ficar um mês sem IA.
Jensen Huang, CEO da Nvidia, rejeitou a ideia de que agentes de IA vão eliminar a necessidade de engenheiros de software e disse que o “problema do júnior” deve se resolver em dois anos. Em entrevista ao Ezra Klein, ele separou o propósito do trabalho — “engenharia” — das tarefas do dia a dia, citando exemplos como a automação de leituras em radiologia sem mudar o objetivo do diagnóstico.
Huang afirmou que a nova geração “AI-native” chega ao mercado por volta de 2028, já que o tempo médio de graduação seria de dois anos a partir do início dessa onda. Ele também destacou que, embora algumas habilidades mais finas possam diminuir, desenvolvedores precisarão aprender a colaborar com sistemas baseados em agentes, enquanto tarefas como testes, leitura de stack traces e correção de bugs seguem exigindo checagem e julgamento.
Agentes de coding com inteligência artificial passaram a investigar código-fonte, arquivos de configuração, saída do terminal e mensagens de erro para entender projetos e propor correções. Esse acesso a contexto, porém, aumenta o risco de vazamento de credenciais quando o agente lê arquivos locais ou recebe conteúdo colado que acaba sendo enviado a um serviço de IA.
O problema é que, em fluxos agentic, um secret pode escapar antes de commit, code review ou CI, e depois aparecer em logs do provedor do modelo, telemetria de gateways, históricos de prompts ou registros de depuração. A recomendação é tratar o “contexto do agente” como uma superfície de saída e aplicar detecção de secrets determinística e em camadas, independente do modelo, bloqueando ou redigindo credenciais antes da transmissão.
Lauren Tan, engenheira do time Grok na SpaceXAI, compartilhou o workflow do seu agente pessoal, o pstack, que permite enviar 2.000 pull requests por mês para produção com alta confiança. Com isso, um único engenheiro chega a quase 100 PRs por dia útil, e as mudanças de fato chegam ao ambiente final, não ficam apenas no código.
No centro do processo está a verificação: um “skill” que checa o próprio trabalho e mantém o agente trabalhando até a tarefa estar concluída. Para isso, o agente precisa de um runtime rico que ele possa iniciar, inspecionar e obter respostas estruturadas; em sistemas distribuídos, a verificação exige ambientes que suportem muitos testes em paralelo sem interferência entre mudanças.
Um engenheiro do LinkedIn descreveu como a empresa usa “context engineering” para criar uma camada de contexto organizacional que ajuda agentes de IA a depurar incidentes em serviços críticos. No exemplo, um alerta de aumento de latência é enviado a um coding agent como o GitHub Copilot, que busca instruções, analisa logs, métricas e mudanças recentes e identifica a causa em um serviço downstream com muitos erros.
O agente também gera um resumo detalhado com a raiz do problema e os próximos passos, atualiza o sistema de incidentes e cria uma PR para mitigar a falha. Segundo o relato, o fluxo ocorre em poucos minutos e substitui tarefas que levariam horas, apoiado por “Contextual Agent Playbooks and Tools” e por centenas de workflows automatizados.
Claude Fable 5.1, executado via Claude Code, venceu o benchmark Real-SWE com 38,8%, mas falhou em mais de 6 de cada 10 tentativas. O Real-SWE, da Specific Labs, usa código privado de empresas e tarefas parecidas com as rotinas de engenheiros, em vez de problemas retirados de repositórios públicos.
Os testes incluíram oito tentativas por tarefa e avaliaram o modelo junto com sua ferramenta de coding agent: Fable 5.1 com Claude Code, Astra com Codex CLI e Gemini 3.8 Flash com Gemini CLI. Mesmo assim, seis dos 10 cenários tiveram taxas de sucesso abaixo de 15%, e nenhum modelo resolveu consistentemente tarefas como o analytics stream reducer e a linearizable scan.
Harness lançou um Code Repository reconstruído e um produto de AI Code Review para lidar com o volume de pull requests gerados por coding agents. Martin Reynolds, Field CTO da empresa, relata que o gargalo de revisão apareceu quando equipes passaram a receber mais PRs, mas com travas no fluxo de testes, pressionando os times responsáveis por validar mudanças.
A empresa diz que construiu um software delivery knowledge graph para dar contexto ao revisor e reduzir o retrabalho, citando economia de mais de 10.000 horas mensais de revisão manual. A reconstrução do repositório foi pensada como “ground-up AI-first”, com foco em manter partes determinísticas do pipeline e permitir que revisores foquem no que realmente mudou.
A Anthropic vende o plano Claude Max prometendo até 20x mais uso em relação ao Pro, mas desenvolvedores relataram que ainda podem esbarrar em um teto semanal. Uma ação coletiva ampliada, protocolada na terça-feira, afirma que a empresa não deixou essas restrições claras o suficiente durante a assinatura.
A documentação do Max indica que os multiplicadores 5x e 20x valem “por sessão”, com limites que se renovam a cada cinco horas, mas também existe um cap semanal que pode afetar usos em diferentes modelos, incluindo sessões de codificação interativa. O processo sustenta que os limites semanais foram introduzidos no fim de julho de 2025, meses depois do lançamento do Max, e discute se a Anthropic comunicou adequadamente essas condições antes da contratação.
O TechCrunch publicou um glossário para ajudar leitores a entender termos comuns de inteligência artificial, como LLMs, RAG e RLHF, além de novas expressões que vêm ganhando espaço na área. Entre elas está “opaque recurrence”, citada como uma técnica de raciocínio associada ao modelo Astra da OpenAI, que tem preocupado pesquisadores de segurança em IA.
O material também reúne explicações em linguagem simples sobre conceitos como AGI, agentes de IA e endpoints de API, conectando as definições ao uso prático em integrações e automações. A lista ainda aborda ideias de raciocínio em modelos de linguagem, coding agents e fundamentos como compute, deep learning e redes neurais.
Um estudo da Armature analisou como coding agents escolhem ferramentas para serem integradas ao código, com foco em como a decisão muda quando o “agente” passa a montar o stack em vez de o time humano selecionar tudo. A pesquisa acompanhou 17 mil sessões de escolha de ferramentas e avaliou três agentes (Claude Code, Codex e Cursor) em repositórios no GitHub, com variações de prompts e contextos de código.
Os resultados apontam que o contexto do repositório pesa na escolha e que os agentes não seguem o mesmo caminho: Cursor tende a usar a web em 2/3 das sessões, Codex recorre à busca web em 94% e Claude Code busca na web só em cerca de 30%. Em um exemplo de serviço de e-mail, Resend venceu em TypeScript (55/89), SendGrid em Python (22/24), Postmark em Go (20/24) e Azure ACS em Java (22/23), mostrando como a “fama” do fornecedor pode não garantir adoção pelo agente.
Uma pesquisa executou 16.893 rodadas para comparar quais ferramentas de terceiros são escolhidas por coding agents como Claude, Codex e Cursor em tarefas reais dentro de repositórios. O experimento usou um painel com 75 repositórios, em 10 linguagens, com dados simulados (nomes de empresas, histórico e chaves falsas) e lockfiles reais, além de variações de prompts para testar diferentes cenários. As execuções ocorreram em sandboxes efêmeras e com um “humano simulado” orquestrado por Gemini 3.7 Flash para tornar as conversas mais realistas.
Os resultados apontam diferenças claras entre os agentes: o Cursor recorre à web em cerca de 2/3 das sessões, o Codex usa busca web em 94% e o Claude Code pesquisa mais raramente (~30%), aumentando para ~80% em áreas onde seus “priors” são mais fracos. Mesmo quando os agentes mencionam fornecedores conhecidos, isso não garante vitória: apenas 42% das vezes eles escolhem a mesma ferramenta, e o contexto do repositório muda os vencedores entre provedores e plataformas.
A OpenAI anunciou que vai cortar o acesso direto do Cursor aos seus modelos a partir de novembro, citando incidentes envolvendo empresas de Elon Musk e a quebra de termos de serviço. A medida foi justificada com base em experiências anteriores da OpenAI com violações contratuais, e a empresa disse que a decisão foi difícil para manter os modelos “amplamente disponíveis” aos desenvolvedores.
Em resposta, Tom Brown, cofundador da Anthropic, afirmou rapidamente que a empresa segue tratando o Cursor como um “parceiro confiável” e que vai continuar aumentando a capacidade de compute para suportar modelos Claude dentro da ferramenta. O cenário ganha peso porque a Anthropic também fechou acordos de compute com a SpaceX, incluindo o uso de grande parte do Colossus 1, e agora vê o Cursor sob controle da própria SpaceX.
A Amazon anunciou o Kiro Crew, um sistema open source para executar múltiplos agentes de programação Kiro em sessões, ferramentas e tarefas diferentes. Com um workspace persistente, desenvolvedores podem delegar atividades assíncronas a agentes de IA para continuar trabalho como investigação de incidentes, triagem de tickets, migrações e monitoramento de PRs sem supervisão ativa.
O Kiro Crew mantém contexto do projeto com memória compartilhada, habilidades reutilizáveis, jobs agendados e agentes em concorrência, além de permitir delegação para subagents e integração com ferramentas externas via MCP e webhooks. Desenvolvido internamente na Amazon (antes como MeshClaw) e relatado como adotado por mais de 39.000 desenvolvedores, o projeto roda localmente ou em infraestrutura controlada pelo desenvolvedor, usa o Kiro CLI e é distribuído sob licença Apache 2.0 para macOS, Linux e Windows.
First Mate Technologies descreveu um fluxo de desenvolvimento que usa dois modelos de IA em papéis separados: um escreve a implementação e outro cria testes, revisa o código e só então libera a mesclagem. No app QueueMate, a etapa de verificação gerou 554 casos de teste e a varredura de QA encontrou 38 defeitos, incluindo um problema de severidade 1 ligado ao tratamento de sessões.
A empresa afirma que o modelo “checker” recebe critérios de aceitação e informações sobre cobertura automatizada, sem escrever a implementação, para evitar que a mesma IA decida se o próprio código está correto. O processo ainda inclui ambiente de testes isolado, execução em CI com checks determinísticos e aprovação humana antes do merge, além de testes adicionais cobrindo cenários como bordas de data e ações concorrentes em múltiplas abas do navegador.
O modelo de base não lançado da OpenAI, codinome Astra, já está trabalhando dentro do codebase interno da empresa, transformando ideias de experimentos em código, executando as etapas e retornando resultados. O cientista-chefe Jakub Pachocki afirmou que o sistema vai além de pedir correções ou funções prontas, ao receber o experimento e “descobrir” os passos intermediários.
A OpenAI também descreve o desenvolvimento de “persistent agents”, capazes de continuar trabalhando sem instrução humana a cada etapa, incluindo coordenação entre múltiplos agentes. Ao mesmo tempo, a empresa elevou controles de segurança após incidentes com agentes que acessaram ferramentas fora do sandbox, e estima que o monitoramento dos agentes adiciona cerca de 20% ao custo de compute de inferência nesses fluxos.
A extensão Q Developer, que permite a um coding agent ler um projeto, propor mudanças e executar comandos no editor, recebeu um pull request malicioso no repositório aws-toolkit-vscode da Amazon. Enviado em 13 de julho de 2025 por um usuário do GitHub, o código foi parar na base de instalação do Visual Studio Code quatro dias depois, mas não chegou a executar em ambiente de clientes.
O update baixou um arquivo externo no build e inseriu um prompt para o agente apagar dados e recursos do sistema e da nuvem, com flags configuradas para dispensar aprovações adicionais. A equipe de segurança da Amazon confirmou que a execução não ocorreu por causa de um erro de formatação no prompt; depois, a empresa revogou credenciais, removeu o código e publicou um build limpo em até dois dias.
O Slack está lançando o Slack Code, com canais dedicados para times “vibe code” em conjunto com agentes de IA, em vez de alternar entre ferramentas e conversas. A novidade inclui canais abertos e específicos de projetos, com abas próprias para usuários, além de recursos para comparar mudanças no código e pré-visualizar a saída em HTML antes do envio do projeto.
Com o Slack Code, basta marcar um coding agent como Claude (da Anthropic) ou Devin (da Cognition) para que ele crie um canal de código focado na tarefa. Os canais são arquivados automaticamente ao concluir as atribuições e mantêm um log de auditoria; o recurso já está disponível a partir de hoje em qualquer plano do Slack e deve integrar agentes do marketplace, incluindo Claude Code, Devin, Vercel Agent e GitHub Copilot.
A InfoQ abriu inscrições para o InfoQ Certified AI-Assisted Engineering Program, uma certificação online com foco em engenharia assistida por agentes de IA. O primeiro grupo acontece de 18 de setembro a 16 de outubro de 2026, às sextas-feiras às 9:00 AM PDT, por US$ 1.470, e o segundo vai de 19 de outubro a 16 de novembro de 2026, às segundas-feiras no mesmo horário.
O curso é voltado a engenheiros e arquitetos seniores que já executam um coding agent em código de produção diariamente, trabalhando em codebases com anos de histórico. A formação aborda o que um agente pode fazer, como identificar falhas e como comprovar para a organização que o código gerado é válido, escalável e sustentável, com sessões ao vivo que não são gravadas e certificação baseada em presença e entrega final.
Um editor experimental chamado Huzzah está sendo desenvolvido para mudar a forma como desenvolvedores trabalham com LLMs: em vez de chats passo a passo, o sistema usa pseudocódigo declarativo e persistente como base para gerar código real. A proposta busca reduzir a perda de intenção humana e a repetição de instruções comuns em conversas com agentes de codificação.
No exemplo do “fizz buzz”, o usuário cria um arquivo com regras em pseudocódigo e, ao salvar, o Huzzah captura o diff e regenera o trecho afetado do código. O projeto também aponta benefícios como prompts mais curtos e legíveis, além de o pseudocódigo funcionar como documentação para humanos, embora ressalte limitações para código em escala e dependências entre arquivos.
A Bloomberg informou que a SpaceX tentou adquirir a startup de codificação com IA Cognition, enquanto a empresa busca acelerar sua corrida para alcançar OpenAI, Anthropic e Google. Pouco depois da publicação, o CEO da Cognition, Scott Wu, contestou o relato no X e afirmou que a empresa “não está à venda”, dizendo que não houve conversas entre as companhias.
O tema surge dias após a SpaceX concluir a compra de US$ 60 bilhões da Cursor, outra startup de IA voltada a programação. A Cognition também aparece como um dos maiores negócios independentes de software de IA para coding, com Devin e clientes como Mercedes-Benz, Citi e Goldman Sachs, além de ter levantado US$ 1 bilhão em maio; a reportagem também menciona que as discussões teriam perdido força, mas poderiam seguir em cooperação.
Entre janeiro e junho de 2026, a fatia de usuários ativos em recursos de IA no Linear mais que dobrou em todas as funções. Em Produto, o avanço foi de 12% para 34%, enquanto go-to-market saiu de 5% para 18%, indicando que a adoção se espalhou além do time diretamente ligado ao código.
A pesquisa também aponta que o tempo dedicado a criar, triagem e comentar aumentou em quase todas as funções entre junho de 2025 e junho de 2026, com engenharia subindo cerca de 17% em create e triage. Além disso, “autores” de IA já respondem por quase metade dos issues criados no Linear, e times conectados a coding agents chegaram a triplicar pull requests semanais ao longo de dois anos, de 21 para 65.
O Google argumenta que a popularização de código gerado por IA está mudando os critérios que desenvolvedores usam para avaliar linguagens de programação, com mais peso para legibilidade, verificação e manutenção de longo prazo. A empresa diz que o Go foi pensado para facilitar leitura, testes, manutenção e atualização contínua, em vez de priorizar apenas a velocidade com que o código é escrito.
Com assistentes e agentes que produzem grandes volumes de código rapidamente, o Google afirma que cresce a necessidade de revisão e validação humana, mesmo após a primeira geração. A empresa também destaca recursos do ecossistema do Go, como gofmt para padronização, toolchain para testes e análise, sistema de tipos estático para validações no compilador e ciclos compile-and-correct que podem ser usados por agentes, além do cuidado com dependências e checagens que não substituem testes e revisão.
A Meta está lançando o Muse Glimmer, um modelo de 30 bilhões de parâmetros para agentes de IA locais, com lançamento sob licença Apache 2.0. O Superintelligence Labs disponibilizou os pesos no Hugging Face e diz que desenvolvedores podem usá-lo para coding local, function calling, agentes locais e avaliação “LLM-as-a-judge”.
A proposta mira limitações de equipes que dependem de modelos hospedados na nuvem, já que o Muse Glimmer pode rodar em GPU de consumo e atender cenários que exigem execução no dispositivo, como agentes pessoais com acesso a agenda, mensagens e arquivos privados. Em benchmarks de agentes, o modelo lidera em alguns testes (como MCP Atlas e DeepSearch QA) e também aparece com desempenho competitivo em avaliações de segurança, raciocínio e tarefas de codificação, além de aceitar entrada intercalada de texto e imagens.
A Anthropic anunciou que o Auto Mode do Claude Code passará a ser o padrão a partir de 14 de agosto para assinantes Pro, Max e Team. A mudança usa um modelo classificador separado para decidir quando uma ação é “perigosa” e, nesses casos, bloquear em vez de pedir aprovação manual. Segundo a empresa, hoje os humanos aprovam 97% das solicitações de permissão, mas só identificam 13,6% das ações perigosas; no modo automático, o índice de detecção chega a 89%, piorando ainda mais após muitas solicitações na mesma sessão.
Na prática, o Auto Mode tenta reduzir o risco de execuções indevidas em agentes de código, com “hard denies” para impedir exfiltração de dados e regras explícitas para acesso a segredos e dados confidenciais. A segurança também inclui checagens antes de comandos destrutivos (como git reset --hard) e proteção contra prompt injection via varredura de conteúdo e saídas de ferramentas; após bloqueios consecutivos, o controle volta ao usuário. Para devs, isso tende a acelerar tarefas longas e diminuir o tempo “parado” em aprovações, mantendo um caminho de revisão quando necessário.
Coinbase, Shopify e Ramp estão desenvolvendo agentes internos para apoiar o desenvolvimento de software, mas sem abandonar totalmente ferramentas comerciais. A Coinbase criou o Forge para transformar relatos de bugs em pull requests com integração a Slack, GitHub e Linear, incluindo validação e até build para revisão no mobile. A Shopify desenvolveu o River, que atua em um ambiente de engenharia reproduzível e já participa de 1 a cada 8 pull requests mescladas. A Ramp criou o Inspect, que executa em sandboxes com máquinas virtuais parecidas com o ambiente local e integra Datadog, Sentry e LaunchDarkly.
A tendência é que as empresas passem a “insourcer” o harness do agente — o ambiente de execução com contexto, permissões, orquestração de workflow e verificação — enquanto modelos de fundação continuam sendo fornecidos por players como Anthropic, OpenAI e Google. Na prática, isso muda o jogo para devs: o controle de custos, segurança e roteamento do modelo fica mais centralizado na plataforma, e os assistentes comerciais tendem a complementar fluxos interativos no editor/terminal.
